快手 Keye 发布 Keye-VL-2.0-30B-A3B：300 亿参数多模态旗舰，DSA 架构支持 1 小时长视频无损理解，时间定位能力媲美 Gemini-3-Flash

快手 Keye 团队正式发布了 Keye-VL-2.0-30B-A3B，这是 Keye 系列最新的 300 亿参数旗舰基础模型。作为首个在生产环境中落地 DSA（动态稀疏注意力） 架构的多模态模型，它不仅在长视频理解上实现了突破，更开启了 Keye 家族第一代智能体（Agent）能力的大门，标志着多模态模型从“被动感知”向“主动执行”的重要演进。

• 模型：https://huggingface.co/Kwai-Keye/Keye-VL-2.0-30B-A3B

核心亮点：长视频理解与智能体原生

1. 卓越的视频理解与时间定位

• 1 小时长视频无损处理：基于 DSA 原生长上下文架构，支持长达 256K 的超长上下文，实现对一小时视频的精确理解，且计算效率极高。
• 细粒度时间感知：在 Charades-TimeLens 基准上达到 58.4 mIoU，与最强闭源基线持平；在 ActivityNet-TimeLens 上达到 58.5 mIoU，超越 Gemini-3-Flash。
• 长上下文扩展性：在 VideoMME V2 中，随着输入帧数增加（64->512帧），准确率不降反升（35.3%->42.4%），非线性推理得分显著提升。

2. 内置智能体协作机制

• 多模态 Agent 能力：内置代码、工具和搜索智能体能力，支持仓库级任务、API 风格工具使用及基于网络的信息搜索。
• 视觉自纠正工作流：能够根据视觉反馈自动调整执行策略，展现强大的系统级编排能力。

3. 高效推理与训练堆栈

• DSA 架构：通过稀疏注意力和目标特征聚合，显著降低长序列预填充成本。
• 技术集成：整合 ExtraIO、异构 ViT-LM 并行、激活优化及自定义内核，大幅提升训练吞吐量与推理速度。

4. 稳健的后训练与数据策略

• 以数据为中心：利用 Keye-VL-1.5 视觉编码器及合成思维链数据，强化 OCR、图表理解及推理连贯性。
• 减少幻觉：通过 MOPD、Context-RL 及高信噪比数据筛选，优化跨模态专家融合，确保长上下文决策的稳定性。

基准测试表现：小参数的大能量

技术架构解析

• DSA (Dynamic Sparse Attention)：核心创新点，允许模型在处理超长序列时仅关注关键信息，实现几乎无损的推理能力。
• 异构 ViT-LM 并行：优化视觉编码器与大语言模型的协同工作，提升多模态融合效率。
• Context-RL：引入上下文强化学习，增强模型在长对话或长视频中的逻辑一致性。

适用场景

• 长视频内容分析：电影、剧集、会议记录的完整理解、摘要生成及关键片段定位。
• 复杂事件检索：在海量视频库中精准查找特定动作、物体或行为发生的时间点。
• 多模态智能体任务：基于视频内容的自动化操作、代码生成及外部工具调用。
• 文档与图表理解：高精度识别视频或图像中的复杂表格、流程图及 OCR 文字。

Keye-VL-2.0-30B-A3B 的发布证明了架构创新与数据质量可以弥补参数规模的差距。通过在 300 亿参数级别实现超越千亿甚至两千亿参数模型的性能，它为多模态 AI 的高效部署树立了新标杆。

更重要的是，它将长视频理解与智能体执行完美结合，为构建能够“看懂世界并采取行动”的 AI 应用提供了强大的基础模型支持。